基于数字图像处理技术的玉米长势预测

基于数字图像处理技术的玉米长势预测
张宝来;张乐佳
【摘要】玉米长势是指玉米生长的状况与趋势,在生长期内实时掌握长势是玉米生产调控的关键,玉米长势可以通过叶面积、叶尖距、叶基角等特征参数来衡量.吉林省是我国主要的玉米种植区域,种植规模多为小地块,如果采用传统人工方式测量玉米长势,需要耗费大量人力、物力,而遥感技术适用于大面积种植,因此采用人工测量与遥感技术都具有明显的局限性.该研究采用数字图像处理技术,利用固定影像采集设备获取不同生长期玉米多尺度影像,首先利用灰度化和增强技术对影像进行前期预处理,然后使用迭代阈值分割算法提取影像中玉米植株区域,通过图像细化技术并结合参照物标定方法获取玉米植株的株高、叶尖距、叶基角和冠层面积等特征参数,最后对获取的特征参数使用回归分析建立玉米长势模型.试验结果证明,提出的方法有效可行,可以作为人工测量和遥感技术必要有益的补充.
【期刊名称】《农业工程》
【年(卷),期】2017(007)003
【总页数】6页(P163-168)
【关键词】玉米长势;特征参数;数字图像处理;回归分析
【作者】张宝来;张乐佳
【作者单位】东北石油大学计算机与信息技术学院,大庆163318;中国农业机械化科学研究院,北京100083
【正文语种】中文
【中图分类】S513
及时、准确、全面地掌握农作物生长信息，在作物生长期内实时掌握作物长势，是对作物生产实施合理调控的重要前提。

通过作物长势的监测可及时了解作物的生长状况、肥力、病虫害及作物营养状况，便于采取各种管理措施，从而保证作物的正常生长。

作物长势监测是现代高新技术发展的产物，除生理学理论与技术外，遥感技术、信息技术、计算机技术和通讯技术已经成为作物长势监测技术的重要技术支撑。

国内外利用机器视觉技术对作物长势进行监测的相关研究中，黄青等[1]以我国东
北地区为研究区域，探讨基于遥感影像全覆盖的大尺度作物种植结构自动提取及长势遥感监测的技术方法。

李荣春等[2]试验采用均匀设计，在大田条件下固定数码
相机高度垂直拍摄夏玉米拔节期和大喇叭口期的群体图像，利用图像处理技术获取玉米地面覆盖度，建立覆盖度与人工测得的叶面积指数(LAI)和干物质积累(DMA)
的回归关系模型。

杨北方等[3]采用计算机数字图像处理技术，采集棉花冠层长势
数字图像，提取图像色调值H，研究冠层图像H值的空间分布特点以及数字图像
H值与相关农艺性状的关系。

Shimizu H等[4]利用带有红外照明设备的CCD摄像机获取作物图像，通过三维空间中求出作物茎秆的高度，并将茎秆高度的变化用于作物生长率计算。

周华杰等[5]通过测定玉米地上部干物质质量、叶面积指数和地
上部氮积累量，以逐步回归和非线性回归方法，构建了玉米长势估算模型。

邓立苗等[6]在基于Matlab的环境下构建了一个玉米叶片外观特征提取与识别系统。

李
少昆等[7]率先将图像技术用于小麦、玉米等大田作物株型信息的提取和生长监测，借助人工标记的方法，实现了玉米、小麦株型信息的提取。

武聪玲等[8]在试验温
室条件下，利用图像处理技术，对单株黄瓜幼苗的生长实行无损监测，通过计算机无损测量黄瓜的叶冠投影面积，较好地预测了植株真实叶面积以及茎叶的干鲜质量，预测结果达到了较好的精度。

赵晓勤等[9]利用植物远程监测系统对荔枝园中的大
气温湿度、土壤湿度、光照强度、大气蒸汽压差(VPD)等环境因子和茎秆直径微变化、果实生长、叶片温度等树体生理指标进行监测，发现该系统能准确及时无伤害地记录其实时和周期性变化。

当前研究中存在的问题，一是遥感监测研究使用卫星空间监测，监测技术受气象条件限制导致监测精度不够理想。

二是遥感监测是基于宏观的大面积作物监测，不适宜对单个农场进行实时、快速的小面积监测，而我国农业生产多以家庭生产为单位，区域性、地域性、小范围性强的特点使得利用遥感技术对大田作物生长状况进行监测在我国部分地区推广受到限制。

三是利用CCD相机进行影像采集技术，测量作物长势特征参数相对较单一。

玉米是我国主要粮食作物之一，其具有高产、稳产、适应性广和抗逆性强的特点，在我国作物生产中占有重要的地位。

图像处理技术应用在玉米等冠层相对较高作物的研究和报道极少，基于数字图像处理技术的玉米长势监测研究具有重要的现实意义。

以吉林省玉米种植区为研究对象，采用数字图像处理技术，利用固定影像采集设备获取不同生长期玉米多尺度影像。

首先利用灰度化和增强技术对影像进行前期预处理，然后使用迭代阈值分割算法提取影像中玉米植株区域，通过图像细化技术并结合参照物标定方法获取玉米植株的株高、叶尖距、叶基角和冠层面积等特征参数，最后对获取的特征参数使用回归分析建立玉米长势模型。

1.1 影像获取及试验平台
试验材料使用松下SZ1型相机(1 610万像素，10倍变焦)，固定摄像头且摄像头
方向与玉米生长方向垂直，高度大约位于玉米株高的1/2位置。

样本采集自吉林
农业大学校内玉米培育种植试验田1号试验田边缘位置和中心区域，目的是保证
选取样本长势不受地缘影响。

自然光照条件下自动曝光拍摄获取玉米不同生长期单株和群株图片，并以JPEG格式保存，利用Photoshop7.0裁剪为
640dpi×480dpi大小的图片。

试验环境为ThinkPad酷睿i7，16G内存，以
Matlab2014b作为试验开发平台。

1.2 基本方法框架
对不同生长期玉米样本分别获取两组试验数据：试验组(记录影像数据)和对照组(依据专家经验获取的长势数据)。

试验组玉米影像首先利用灰度化和增强技术进行前期预处理，然后使用迭代阈值分割算法提取影像中玉米植株区域，通过图像细化技术并结合参照物标定方法获取玉米植株的株高、叶尖距、叶基角和冠层面积等特征参数，利用对照组数据对特征参数进行修正，最后对获取的特征参数使用回归分析建立玉米长势模型。

方法框架流程如图1所示。

2.1 影像预处理
影像预处理分为灰度化和增强两步。

灰度化处理就是将采集到的彩色图像转化成灰度图像的过程，将彩色图像处理为8位的灰度值图像可以减少后续的图像计算量。

图像增强技术对于提高图像质量起着重要的作用，增强的目的是使目标区域从背景和噪声中突出，是后续图像处理的关键环节。

图像增强技术根据处理的空间不同，可分为两大类：空域方法和频域方法。

频域方法把图像看成一种二维信号，对其进行基于二维傅立叶变换的增强；空域是指由像素组成的空间，空域增强方法是指直接作用于像素的方法。

本研究采用空域增强方法，空域点处理增强表达式为
g(x， y)=T[f(x， y)]
其中f(x， y)是增强前的图像，g(x， y)是增强处理后的图像，而T是对f的一种
操作，其定义在(x， y)的邻域。

该类方法的最大特点是在像素组成的空间里直接对像素进行处理。

图像预处理如图2所示。

2.2 图像分割
图像分割就是将图片分成各具特性的几部分，然后将有用的部分提取出来的技术。

本文中的特性可以是像素的灰度值、物体轮廓曲线、颜色或者纹理等。

图像分割在图像工程中占据重要的位置，迄今为止，图像分割技术已经有上千种，但对于图像
分割还没有一种通用的方法，典型而传统的分割方法主要有基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。

本研究选用分割效果较好的迭代阈值分割法进行图像分割，具体执行步骤如下。

(1)先求出图像中的最小和最大的灰度值Zmin和Zmax，可令初始的阈值为
T0=(Zmin+Zmax)/2。

(2)根据像素灰度值与阈值TK(K=0， 1，2…K)的某种关系，将图像分割成目标和背景两部分。

像素灰度值lt;TK的判为目标，像素灰度值gt;TK的判为背景，求出两部分的平均灰度值H1和H2。

(3)在第2步的基础上求出新的阈值TK+1，TK+1=(H1+H2)/2。

(4)若TK=TK+1，则结束，TK即为最佳阈值；否则，TK+1→TK，返回步骤2，
重复以上步骤。

单株玉米分割结果如图3所示。

2.3 图像细化
在图像分割基础上有效获取玉米长势特征参数，需要对分割区域进行细化。

细化就是经过一层层的剥离，从原来的图中去掉一些点，但仍要保持原来的形状，直到得到图像的骨架，即图象的中轴。

细化之前首先进行二值化，图像二值化有利于图像的进一步处理，能使图像变得简单、数据量小，在图像处理中，二值图像占有非常重要的位置。

图像二值化处理就是将256个等级根据一定的阈值选择将图像上点的灰度置为0或255，让整个图
片表现出明显的黑白色。

图像细化一般是针对二值化图像进行的操作运算。

图像的骨架由一些线和曲线构成，对计算图片中目标物的尺寸和形状有很大帮助。

细化处理必须满足以下条件：保证细化后细线的连通性；保持原图的基本形状；减少笔画相交处的畸变；细化结果是原图像的中心线。

本研究采用Hilditch细化算法作用于二值图像，采用串行处理
方式，最终得到的是8条近邻连接线条(即细化薄线的每个像素都被认为和其周围的8个近邻的薄线像素连接)。

算法执行步骤如下。

中间像素(i， j)记为P0，其他周围像素记为Pn，n∈{1， 2，…8}。

(1)按光栅扫描顺序研究二值图像的像素P0。

当P0满足以下所有条件时，将B(P0)转换成-1。

①B(P0)=1
②
假设P1、 P3、 P5、 P7中至少有一个是0时，P0就是边界像素，此为P0是边界像素的条件；
③
对于像素P0来说，P1～P8中有且只有一个像素为1时，P0即为端点，此时∑(1-an)=1，此为不删除端点的条件。

④
当P1～P8的所有元素均不为1时，P0是孤立点，此时∑Cn=0。

此为保持孤立点的条件。

⑤保持连接性的条件；是像素P0的连接数。

⑥对于线宽为2的线段，满足B(Pi)≠-1或Xi(P0)=1，i∈N8={1， 2，…8}时单向消除。

其中Xi(P0)是B(Pi)=0时像素(Pθ)的连接数
(2)对于B(i， j)=-1的所有像素B(i， j)，使B(i， j)=0，重复进行第1步的操作，直到B(i， j)=-1的像素点不存在为止。

二值化和细化结果如图4所示。

2.4 玉米特征参数提取
2.4.1 株高
玉米植株株高和玉米作物所摄入的营养、水分、CO2及土壤环境等息息相关，株
高能从一定程度上反映出玉米的长势情况。

玉米植株过矮会妨碍玉米对光照的吸收，从而影响玉米产量；但过高易导致倒伏，也会影响产量。

在保证玉米具备抗倒伏能力的前提下，适当增加株高对玉米的生长十分有利，可以使玉米拥有良好的生长态势。

株高计算步骤：首先选取并实际测量固定参照物，然后设置与拍摄玉米植株相一致的拍照环境，并对拍摄图像进行相同处理提取记录参照物像素值，最后记录玉米植株纵向像素值，根据空间几何方法计算玉米植株高度。

计算公式为
H=×h
式中 H——玉米植株实际高度
h——参照物(木棒)高度
L——玉米纵向像素值
l——参照物(木棒)纵向像素值
2.4.2 叶面积
叶面积与作物产量的增长有紧密的联系，它可以反映叶片的生长情况，进而反映作物的长势。

叶面积计算步骤：首先获取玉米叶片图像，拍摄时选择与叶片颜色对比明显的白色为背景，镜头与叶片平行。

然后玉米叶片图像分割提取记录叶片像素值。

最后在相同拍摄条件设定下，选取适当参照物成像来做近似计算，试验中选取易于计算面积的光盘，光盘直径(12 cm)固定，提取记录光盘像素值，利用式(6)近似计算叶面积。

S叶=×S光
式中 S叶——叶片实际面积
N叶——叶片像素
S光——光盘实际面积
n光——光盘像素
2.4.3 叶尖距
相邻两个叶片顶端距地面垂直高度的差的绝对值称为叶尖距，叶尖距在一定程度上反映玉米长势的好坏。

叶尖距大表示玉米生长旺盛，相反，叶尖距小表示玉米生长不理想。

测量玉米的叶尖高和测量玉米株高方法一致，由于玉米植株的叶片为左右交错生长，所以叶尖距为不同方向相邻两个叶片尖端距地面高度差的绝对值。

将左右叶片分别标号，并计算叶尖高度，逐一相减得到玉米植株的叶尖距。

以1组测量值为例，叶尖距测量示意见图5，测量数据见表1。

2.4.4 叶基角
叶基角是玉米主茎秆与玉米叶脉间的夹角，它反映了玉米叶片的舒展程度与叶片的长度。

叶基角越大，叶片越接近于水平状态，叶面光强极值越小，从而影响下面叶片的光照强度，对玉米植株的长势会有一定的影响；叶基角过小会使叶片呈现垂直状态，使叶片光能作用减少，同样会影响玉米植株的长势。

叶基角的测量可以先算出叶尖到主茎的垂直距离B，然后再计算叶片的长度A，最后利用三角函数计算可得到叶基角β。

β=arccos(B/A)
2.4.5 玉米群株冠层面积
群株叶面积可以在很大程度上显示出整体玉米的长势好坏。

叶面积指数(LAI)指的是单位土地面积内玉米叶片覆盖总面积与土地面积的比值，即叶面积指数=玉米叶片总面积/土地面积。

与单株叶片相似，叶面积指数过小表示玉米光照效率较低，进而影响玉米的长势；叶面积指数过大则会影响下部叶片的光照效率，同样会影响玉米植株的长势。

叶面积指数是判断群体动态结构是否合理的重要指标。

玉米群株叶面积的测量与单株叶面积的测量相似，拍摄时记录下拍摄高度，等高拍摄光盘，提取光盘像素，计算表达式见式(8)。

=
式中 S叶——群株叶片实际面积
N叶——群株叶片像素
S光——光盘实际面积
n光——光盘像素
叶面积指数可利用=得出，其中S地为土地实际面积，n地为土地实际像素(土地
实际面积计算方法与群株叶面积计算方法一致)，最后得出，LAI=S叶/S地。

3.1 模型构建
玉米长势模型构建采用逐步回归分析方法。

回归分析是通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各个参数，然后评价回归模型是否能够很好地拟合实测数据。

模型建立步骤，首先确定一个包含若干自变量的初始集合，然后每次从集合外的变量中引入一个对因变量影响最大的，再对集合中的变量进行检验，从变得不显著的变量中移出一个影响最小的，递归执行该操作，直到不能引入和引出为止。

移入和移出都以给定的显著性水平为准，提出变量判断采用F检验，设已有变量的引入回归方程为
c=p0+p1a1+p2a2+…+piai
式中 c——因变量
ai——第i个自变量，表示单株玉米形态参数
pi——未知参数
模型的总离差平方和S总与回归方差平方和S回关系为
S总(t)=S回(t)+S残(t)
其中，S总；S残ĉ)。

S残(t)表示残差平方和，即每一点的估计值和实际值的平方差之和。

3.2 试验验证
使用2012年5—10月测定的数据作为建模数据。

通过上述样本数据确定最终模
型参数，专家经验数据作为模型矫正数据集。

在模型中输入相关参数，并使用回归分析命令来进行长势分析试验，相关结果见图6。

从玉米长势监测模型中可以看出，单株玉米的株高、叶面积和群株玉米的叶面积对于玉米长势估测关联度更高。

最终利用逐步回归法得到玉米长势监测模型：
y=-0.311 907x1-2.617 67x3-0.238 117x4-0.155 63x5+117.825
其中Xi(i=1， 3， 4， 5)依次表示单株玉米株高、叶面积、单株玉米冠层面积和
群株玉米的冠层面积。

该预测模型可以准确地监测玉米各个时期的生长情况，为玉米植株的生长态势管理提供了方便。

近年来基于数字图像处理分析的作物长势监测技术，因具有经济、快速和灵活等特点，在农田作物学研究领域得到了广泛应用，实现农作物生长信息的精确测量。

本试验通过数字图像处理技术对实际玉米地中单株与群株玉米生长信息参数进行了测量，实现对玉米长势的监测。

试验中玉米地与拍摄时的实际干扰因素较多，通过人工进行干扰清除，并对干扰因素进行研究与处理，旨在最大限度地得到精确测量参数，对农作物生长实现更好的监测。

【相关文献】
[1] 黄青，唐华俊，周清波，等.东北地区主要作物种植结构遥感提取及长势监测[J].农业工程学报，2010，26(9)：218-223.
Huang Qing，Tang Huajun，Zhou Qingbo，et al.Remote-sensing based monitoring of planting structure and growth condition of major crops in northeast China[J].Transactions of the Chinese Society of Agricultural Engineering，2010，26(9)：218-223.
[2] 李荣春，陶洪斌，张竹琴，等.基于图像处理技术的夏玉米群体长势监测研究[J].玉米科学，2010，182(2)：128-132.
Li Rongchun，Tao Hongbin，Zhang Zhuqin，et al.Study on summer maize group growth
monitoring based on image processing technique[J].Journal of Maize Sciences，2010，182(2)：128-132.
[3] 杨北方，韩迎春，毛树春，等.基于数字图像的棉花长势空间变异分析[J].棉花学报，2015，
27(6)：534-541.
Yang Beifang，Han Yingchun，Mao Shuchun，et al.Analysis of the spatial variability in cotton growth conditions based on digital imaging[J].Cotton Science，2015，27(6)：534-541.
[4] Shimizu H，Heins R puter-vision-based system for plant growth
analysis[J].Transactions of the ASAE，1995，38(3)：959-964.
[5] 周华杰，刘亚东，付金东，等.基于冠层数码图像的玉米长势和氮素营养状态分析[J].青岛农业大学学报：自然科学版，2015，32(1)：1-7.
Zhou Huajie，Liu Yadong，Fu Jindong，et al.Analysis of maize growth and nitrogen nutrition status based on digital camera image[J].Journal of Qingdao Agricultural University：Natural Science，2015，32(1)：1-7.
[6] 邓立苗，唐俊，马文杰.基于图像处理的玉米叶片特征提取与识别系统[J].中国农机化学报，2014，35(6)：72-75，79.
Deng Limiao，Tang Jun，Ma Wenjie.Feature extraction and recognition system of maize leaf based on image processing[J].Journal of Chinese Agricultural Mechanization，2014，35(6)：72-75，79.
[7] 李少昆，张弦，赵明，等.作物株型信息多媒体图像处理技术的研究[J].作物学报，1998，24(3)：265-271.
Li Shaokun，Zhang Xian，Zhao Ming，et al.Studies on the technique of multi-media image processing for plant shape information of crop[J].Acta Agronomica Sinica，1998，24(3)：265-271.
[8] 武聪玲，滕光辉，李长缨.黄瓜幼苗生长信息的无损监测系统的应用与验证[J].农业工程学报，2005，21(4)：109-112.
Wu Congling，Teng Guanghui，Li Changying.Application and validation of computer vision based nondestructive measurement system for cucumber seedling growth conditions[J].Transactions of the Chinese Society of Agricultural Engineering，2005，21(4)：109-112.
[9] 赵晓勤，宋世文，李建国，等.荔枝生产相关的水分生理指标远程监测研究[J].果树学报，2005，22(6)：644-648.
Zhao Xiaoqin，Song Shiwen，Li Jianguo，et al.Phytomonitoring studies on water physiological factors related to litchi production[J].Journal of Fruit Science，2005，22(6)：644-648.。